2018 제4회 도시빅데이터 세미나: 멜론의 셀프 서비스 분석 환경과 Next

멜론 셀프 서비스 분석 환경과 NEXT
빅데이터. 윤병화
1/74

윤병화
현 멜론 빅데이터팀 리더(2017 ~ )
• 데이터 거버넌스 및 분석 문화 개선
멜론 빅데이터 엔지니어 및 애플리케이션 아키텍트 (2012 ~ )
• 빅데이터 서비스 및 추천 서비스 개발
• 빅데이터 플랫폼 운영 및 개선
애플리케이션 아키텍트 (2006 ~ 2011)
• 멜론 기술 리더 및 프레임워크, 공통 모듈 개발
• CJ 오쇼핑 해외/국내 프로젝트 기술 리더 및 프레임워크 개발
2/74

순서
1. 셀프 서비스 분석 소개
2. TDWI 셀프 서비스 분석 성숙도 모델
3. 멜론의 셀프 서비스 분석
4. 멜론의 NEXT
5. 멜론의 셀프 서비스 사례
TDWI: Transforming Data with Intelligence, DW/BI 전문 연구 기관
3/74

셀프 서비스 분석 소개
4/74

데이터 지향 조직
테스트
공개
공유
반복
학습
셀프
서비스
데이터
리더쉽
조사
질문
목표
지향
데이터
교양
• 많은 보고서와 대시보드, 빅데이터 플랫폼을 필요로 하는 것이 아니라 데이터 문화가 필요
5/74

• 강력한 테스트 문화로 조직 전반의 가설 수립을 장려하고, 이를 테스트
• 폐쇄적 데이터 운영 또는 사일로가 없으며,
개방적 공유 문화로, 풍부한 컨텍스트를 만들기 위해 데이터를 모으고 연결
• 셀프 서비스 분석 문화로 조직 구성원의 통찰력 및 행동, 성과를 이끌어 내기 위해
필요한 데이터 접근은 물론 팀내 분석 기술을 갖춤
6/74

• 모든 의사 결정권자는 데이터를 사용하고, 해석할 수 있는 적절한 기술을 갖춤
• "그걸 뒷받침할 데이터가 있는가?"라는 질문에 누구나 두려움 없이 답할 준비가 됨
• 명확한 데이터 중심의 전략은 잘 설정되고,
접근 가능한 KPI로 모든 구성원은 자신의 업무가 측정 기준과 어떻게 연관되는지 이해
• 강력한 데이터 리더십은 데이터를 전략적 자산으로 전파하여 문화적 변화를 주도하는 것
7/74

• 조직의 모든 구성원들은 데이터 기술 및 상호 멘토링, 프로세스에 데이터를 포함하고 "역량을 강화"하여,
역할과 책임을 가짐
• 의사 결정권자가 객관적이고, 신뢰할 수 있으며, 관련성이 있는 데이터를 제공한다는 의미는 아님
데이터를 맹목적으로 따르지 말아야 함
• 데이터를 사용하여 성과와 결과를 만들며,
"분석 가치 사슬"인 수집과 분석, 의사 결정, 행동을 반복하여 성과를 만듦
8/74

셀프 서비스 분석
• 조직의 비기술적 사용자가 직접 검색, 분석, 시각화 및 가설을 테스트하기 위해 직접 데이터에 접근하는 것
• IT 부서의 도움 없이 사용이 쉬운 도구를 통해 사용자는 접근
• 도구는 일정량의 데이터 통합 및 준비를 자동화하고, 전문 지식이 없이도 데이터를 분석, 시각화가 가능
• 보안, 법적 위험이 있는 중요한 데이터에 대해 접근 통제가 됨
• 사용자의 효과적인 데이터 분석을 위해 초기 교육 및 기술과 분석에 대한 지원을 제공
• 분석 관련 사업(마케팅, 금융, 부동산)에서 IT, 데이터 분석가의 부족으로 인한 병목 현상을 최소화 시킴
• 조직 전체의 데이터 사용을 향상 시킴
9/74

셀프 서비스 분석의 핵심은 사람과 문화이다.
10/74

TDWI 셀프 서비스 분석 성숙도 모델
11/74

https://tdwi.org/pages/assessments/tdwi-self-service-analytics-maturity-model-assessment.aspx
분석의
정체 및 격리
비즈니스의
셀프 서비스
출현
IT와 사업 부서의
협업 확장
성숙한 상태
만듦
통찰력과 행동의
문화
1 단계 2 단계 3 단계 4 단계 5 단계변곡점
12/74

TDWI 셀프 서비스 분석 성숙도 모델 평가 요소
전략, 문화, 리더십 및 자금 지원이 셀프 서비스 분석을 어느 정도 고려 하나요?
데이터 수집 및 통합, 접근, 품질에 대해 어떻게 처리 하나요?
데이터 아키텍처는 진보적이며, 일관성이 있고, 사용자 요건을 충족 하나요?
셀프 서비스 분석의 범위와 활용되는 분석의 종류, 그리고 어떻게 공유 되나요?
전략이 일관성이 있으며, 데이터 탐색을 효과적으로 제어 하나요?
https://tdwi.org/pages/assessments/tdwi-self-service-analytics-maturity-model-assessment.aspx
조직
데이터 관리
인프라
분석
거버넌스
13/74

1단계: 분석의 정체 및 격리
• IT 부서가 관리한 데이터를 업무 담당자가 쉽게 접근하지 못하며,
업무 담당자는 IT 부서에 보고서와 대시보드를 요청 함
• 업무 담당자는 엑셀을 이용한 분석과 데이터를 분해하고, 분류하는 작업이 대부분 임
• 보고서와 대시보드, 데이터는 제한된 사람에게만 이메일로 전송되며,
대부분의 조직원은 접근하지 못 함
14/74

1단계: 분석의 정체 및 격리
• 데이터를 얻는데 기간이 너무 오래 걸려서, 사업적인 질문에 답하기 위한 도구를 원함
• IT는 데이터를 제어할 수 있다고 생각하지만, 사업을 고려하지 않은 거버넌스는 요건을 충족하지 못 함
• 데이터의 중앙 관리는 느슨하며, 메타 데이터 등의 개선을 위한 실질적인 노력 역시 없음
15/74

2단계: 비즈니스의 셀프 서비스 출현
• 경영진이 가장 적합한 시각화 분석 도구와 DW, 데이터 마트를 위해 초기 자금을 지원
• 부서에 분석 문화가 반드시 필요한 것은 아니지만 관심이 시작
• 두 그룹이 셀프 서비스 분석을 사용하는 경우 둘 이상의 도구가 사용되며, 데이터 사일로가 발생
16/74

2단계: 비즈니스의 셀프 서비스 출현
• 업무 담당자는 분석을 시작하기 위해 데이터를 도구에 업로드하고 최소한의 데이터 조합을 수행
• 셀프 서비스 분석 도구에서 정보를 얻고 관심이 생기기 시작
• IT 부서와 사업 부서에서 데이터 일관성과 데이터 품질에 대한 문제를 알게 됨
• IT 부서와 사업 부서에서 담당자를 뽑아 팀을 구성하고, 데이터 관리자를 임명하고, 일부 정책을 설정
17/74

변곡점
• 사업 부서와 IT 부서가 함께 작업하는 것이 더 합리적이라는 인식이 듦
• 셀프 서비스 분석을 통해 의사 결정 및 행동이 일관되고, 신뢰성 있는 방식으로 유도되기 시작
• 통찰력의 문화가 성숙됨에 따라 전략과 프로세스가 변화하기 시작
18/74

변곡점
• 전체 조직원들이 셀프 서비스 분석 도구를 잘 사용할 수 있도록 교육하고, 도움을 주는 팀이 생김
• 한 두개의 데이터 소스를 넘어서, 새로운 데이터와 큰 데이터가 통찰력을 이끌어 내는 것을 인지
• IT 부서와 사업 부서의 협업을 통해 데이터 레이크 플랫폼을 구현하고,
무엇이 들어가고, 어떻게 관리할 지 결정
19/74

변곡점
• 더 많은 조직원에게 분석 기능을 제공
• 분석가는 예측분석과 같은 고급 분석을 시작
• 데이터 품질 및 일관성, 표준, 수집, 데이터 추적이 중요
• 데이터 도구를 관리하고, 함께 협력하는 방법을 모색. 이는 비용 절감 및 도구 통합으로 이어짐
20/74

3단계: IT와 사업 부서의 협업 확장
• IT 부서는 사업 부서와 협업하기 시작하고, 업무 담당자에게 데이터에 대한 접근을 제공하기 시작
• IT 부서는 라이선스 및 성능, 권한, 표준, 품질, DW 아키텍처 문제를 처리할 수 있음
• 전체 조직원이 데이터를 탐색하고, 중요한 것을 확인하고, 함께 작업하여 도움이 됨
21/74

• IT 부서가 셀프 서비스 분석을 제어하는 것이 아니라, 효율적으로 지속 가능하게 만드려고 노력
• 데이터 사일로 및 데이터 차단에 대해 부정적으로 생각하고, 데이터를 통합
• IT 부서는 데이터 준비 과정을 민첩하게 수행
22/74

• 전체 조직원의 교육이 중요하며, 도구의 기능뿐만 아니라,
데이터 작업과 의사 결정에 필요한 분석에 대한 교육도 필요
• 업무 담당자는 데이터 분석으로 자신의 업무 성과를 향상 시키기를 원함
• CDO(Chief Data Officer) 또는 CAO(Chief Analytics Officer) 조직에
셀프 서비스 분석팀을 신설할 수 있음
23/74

• 모바일 기기를 포함해서 여러 디바이스에서 분석을 수행할 수 있음
• 외부 데이터가 포함된 분석이라도 분석 지연 발생 시 책임이 있음을 이해
• IT 부서와 사업 부서는 데이터의 소유와 출처, 사용 용도, 생명 주기에 대해 이해
• IT 뿐만 아니라 비즈니스의 전문가가 포함된 데이터 거버넌스팀을 구성하기 시작
24/74

4단계: 성숙한 상태 만듦
• 멀티 데이터 플랫폼을 기반으로 한,
여러 데이터 소스와 크고, 다양한 데이터에 대해 고급의 분석을 수행
• 사용 용도별로 환경 제공이 필요
경영진을 위한 시각화 용, 마케팅과 보안 담당자를 위한 실시간 용,
업무 담당자를 위한 탐색 용, 데이터 분석가/과학자를 위한 고급 분석 용
• IT 부서는 사업 부서에서 필요한 메트릭스 및 KPI에 필요한 데이터 소스를 이해
25/74

4단계: 성숙한 상태 만듦
• 의사 결정이 데이터가 중심인 문화로 발전하기 위해 의식적으로 노력
• 다양한 종류의 데이터를 협력해 분석을 하고, 다른 조직원들과 공유를 반복
• 업무 담당자는 고급 분석 모델을 사용하며,
데이터 과학자는 이 모델이 조직에 배포되기 전까지 제어(생성/수정/검증)
26/74

5단계: 통찰력과 행동의 문화
• 소수의 기업만이 통찰력의 문화를 보유하고 있으며,
셀프 서비스 분석의 지속적인 운영과 민주화가 더욱 중요한 단계
• 통찰력은 줄어들고, 분석을 소비하고, 만드는 것이 조직 일상 생활의 한 방법으로 인식 됨
• 복잡성 관리가 중요하며, 일관된 분석 인프라가 구축 됨
27/74

5단계: 통찰력과 행동의 문화
• 회사 내/외부 상관없이 분석에 필요한 새로운 데이터 소스 통합이 가능
• 데이터 거버넌스는 활성화 되어 있으며,
셀프 서비스 도구에서 관리하는 접근 전략을 감시 아래 배포할 수 있음
• 전체 조직원들이 다양한 도구를 사용해 다른 종류의 데이터를 분석하고,
모든 데이터 소스에 접근할 수 있게 관리
• 자동화된 예측 분석 도구에 의해 만들어진 모델을 적용할 수 있는 프로세스가 있음
28/74

멜론 성숙도 평가
• 분야별로 지속 관리가 필요
• 큰 조직일 수록 높은 단계 진입이 어려움
• 데이터 거버넌스가 더욱 중요
29/74

조직에 맞게 지속, 점진적 발전 해라.
30/74

멜론의 셀프 서비스 분석
31/74

[1단계: 분석의 정체 및 격리] 2011년 이전
• IT 부서의 데이터베이스 관리자와 허가된 개발자만 접속할 수 있는 환경으로
SQL 도구 및 어드민 시스템에서 데이터를 추출
• 주요 KPI를 상용 웹로그 솔루션 기반으로 추출
• 외주 중심의 CRM 프로젝트는 실패
32/74

[1단계: 분석의 정체 및 격리] 2011년 이전
• 업무 담당자의 데이터 분석은 IT 부서에서 데이터를 받아, 엑셀을 이용한 분석 수행
• 분석을 위한 데이터 수집의 절차가 복잡하고, IT 부서의 도움이 반드시 필요
• 업무 담당자가 소수 조직원에게 보고서 및 대시보드를 이메일로 전달
• IT 부서를 위한 도메인 용어 사전을 관리하고 있으며, 누구도 데이터에 대해 책임을 지지 않음
33/74

[2단계: 비즈니스의 셀프 서비스 출현] 2012년 ~ 2014년
• DW 기반의 CRM 분석 환경이 구축 됨
• KPI 지표를 중심으로 데이터 품질 및 일관성에 대해 고려하기 시작
• KPI 지표는 이메일로 담당자에게만 자동 발송 됨
수집 저장소 시각화
34/74

[2단계: 비즈니스의 셀프 서비스 출현] 2012년 ~ 2014년
• 마케팅 분석가와 서비스의 통계 담당자만 분석 도구를 사용하며,
데이터를 별도로 추출하고, 엑셀을 이용해 추가 분석 수행
• 빅데이터 시스템은 멜론 빅데이터 서비스만을 고려하여 구축했기 때문에, 시각화가 어려움
수집 저장소 추출
35/74

[변곡점] 2015년 ~ 2016년
• IT 부서와 사업 부서가 데이터 분석을 함께 하는 것이 더 효율적이라고 인지하기 시작
• IT 부서에서 통계 플랫폼과 관련된 예산을 관리
• 데이터 분석팀에서 마케팅 및 서비스의 통계 담당자들에게 MSTR에 대한 교육을 시작
MSTR: MicroStrategy의 약칭
36/74

[변곡점] 2015년 ~ 2016년
• 사업 부서의 데이터 분석팀에서 도구 및 시스템의 확장이 필요하지만, IT의 지원이 반드시 필요
• 사업 부서의 데이터 분석팀에서 빅데이터를 활용한 분석이 가능하지만,
여러 데이터 소스의 데이터 통합이 어려움
• 더 다양한 비즈니스 문제(음악 나이, ID 공유 사용자, 팬덤 분석 등)를 분석하기 시작함
37/74

[변곡점] 2015년 ~ 2016년
• 네티자 SQL을 활용한 분석과 함께 MSTR의 다양한 시각화 기능을 활용하기 시작
• 데이터 일관성에 대해서는 중요하게 관리하지만,
표준과 품질, 데이터 추적에 대해서는 중요하게 관리하지 않음
• IT의 부서와 데이터 분석팀간의 데이터 관리 및 분석의 주체가 모호해짐
38/74

[변곡점] 2017년
• 통계/수학과 출신의 전문 데이터 분석가(과학자) 인력 확보 및 양성
• 통계 분석 요청에 대해 효율적인 커뮤니케이션 도구를 적용
• 아래의 이유로 사업 부서와 IT 부서의 분석팀이 통합
• 데이터 사일로 발생
• 분석팀간의 R&R 충돌 발생
• 역할과 업무의 중복이 발생
• 외부 솔루션에 대한 문제 해결 및 관리, 비용 문제가 발생
• 다양한 데이터 소스와 비정형 데이터에 대한 분석이 필요해짐
39/74

[변곡점] 2017년
• 분석계의 용어 사전 및 메타 데이터, 권한 정비
• 데이터 레이크 구축
• 실시간 데이터 수집 환경 구축
40/74

[변곡점] 2017년
• 셀프 서비스 분석 도구 제공
• IT/서비스의 주요한 데이터 분석 제공
• 마케팅의 주요 지표는 비즈니스 분석가가 직접 관리
41/74

[3단계: IT와 사업 부서의 협업 확장] 2018년
• 사업 부서와 IT 부서의 분석가가 통합되어 한 팀으로 만듦
• 효율적인 데이터 탐색을 위한 모델 설계
• 고급 분석 기법을 활용한 예측 분석 시작
• 멜론 서비스 분석에 특화된 셀프 서비스 분석 도구 제공
42/74

• 마케팅/서비스/IT의 더 많은 조직원들이 셀프 서비스 분석 환경에서 분석 및 협업을 진행
• 마케팅 및 서비스 개편의 의사 결정에 데이터를 적극 활용하기 시작
• 셀프 서비스 분석의 지속성을 위해 도구와 분석 교양에 대해
전체 조직원에게 교육 및 지원 활동을 강화
• IT 부서 중심의 분석 조직에서 사업 중심의 분석 조직으로 변화
43/74

• 데이터 표준을 지속적으로 강화하고, 데이터 수집 출처에 대해 관리
• 공통된 데이터를 활용하게 데이터를 일원화
• 서비스 부서에 서비스 성공을 측정하기 위해 마케팅 지표를 제공
• 데이터 수집의 영역을 지속적으로 확대하며, 주요한 데이터는 실시간으로 수집
44/74

빅데이터팀 업무 영역
데이터 표준
• 데이터 표준 정의 및 품질 관리, 권한 관리
• 상시 구성원 SQL 교육
데이터 분석
• 마케팅, 서비스, IT에 활용되는 데이터 분석 및 모델링
• 마케팅, 서비스의 각종 통계 기법 및 데이터 모델 교육
데이터 플랫폼
• 빅데이터 및 통계 시스템 안정성 확보 및 데이터 연동
• 빅데이터 서비스 개발 및 기계 학습 기반의 추천 서비스 개발
• 멜론 검색 플랫폼 운영 및 서비스 개발
• 셀프 서비스 분석을 위한 도구 개발 및 교육 45/74

팀 내 작업 상황의 공유를 위해 스탠드업 미팅을 아침에 수행
팀 내 중복 작업을 줄여주며, 서로 업무 공유가 활발해짐
46/74

데이터 요청에 대한 협업 도구를 이메일에서 아지트로 변경
신속한 대응 및 요청 이력 추적, 조직원 분석 공유의 이점이 생김
Kakao에서 서비스하는 협업 도구. 유사 솔루션으로는 JANDI, slack이 있음
47/74

SQL 교육과 모델, 지표, 도구에 대한 교육 실시
분석 관련 스터디를 희망하는 조직원들과 함께 진행
사업 부서를 대상의 셀프 서비스 분석은 교육, 분석 교양 등의 문제로 장기적 투자가 필요
48/74

도메인 용어 관리를 지속적으로 수행하고, 메타 데이터의 일관성을 유지하기 위해 노력
49/74

데이터 표준 및 접근 권한, 수집을 지속적으로 관리하여, 조직원의 데이터 탐색을 용이하게 함
50/74

중장기적인 발전 관점에서 데이터 플랫폼을 설계
51/74

분석 플랫폼에 사용된 솔루션
52/74

다양한 데이터 소스가 지원되는 실시간 데이터 수집 환경
실시간 수집에는 많은 비용(검증, 파싱, 장애 대응 등)이 발생하므로 중요 데이터 순으로 적용
53/74

redash를 이용한 셀프 서비스 분석 도구 제공
멜론에서 사용하는 셀프 서비스 분석 도구로 SQL 실행 및 멀티 데이터 소스, 시각화, 대시보드,알람 등이 제공
54/74

redash를 이용한 셀프 서비스 분석 도구 제공
55/74

멜론 셀프 서비스 분석 도구를 활용한 세그멘테이션
56/74

멜론 셀프 서비스 분석 도구를 활용한 세그멘테이션 지표 추이
57/74

셀프 서비스 분석 프로세스
업무 담당자
Ahh...
스스로 분석 할 수 있거나
기존 분석 대시보드/리포트를 안다면?
빅데이터팀
Yes
No
배정
분석 결과 댓글
리포트 생성
직접 추출/분석 할 수 있게 가이드
데이터
수집
58/74

데이터 분석가와 업무 담당자 모두 바쁘다.
59/74

멜론의 NEXT
[4단계: 성숙한 상태 만듦] 멜론의 셀프 서비스 분석
• 셀프 서비스 분석/BI 도구 강화
• 고객과 상품, 서비스 등 원천 데이터가 아닌 모델링된 데이터로 분석이 가능
• 다양한 마케팅과 분석 기법에 대한 문화를 지속적으로 학습
61/74

멜론의 NEXT
[4단계: 성숙한 상태 만듦] 멜론의 셀프 서비스 분석
• 고급 분석과 예측 분석 역량을 강화하고, 이를 다양한 사업과 IT 영역으로 확대 적용
• 예측 모델의 배포 프로세스 수립
• 지속적인 데이터 소스 추가 및 데이터 수집 확대
• 개인화 영역 및 법적 위험이 있는 분석에 대한 보안 분석 플랫폼 구축
62/74

멜론의 NEXT
리포트와 분석의 차이
리포트 분석
현황 분석 예측 최적화 분석
무엇? 왜?
과거를 분석 미래를 분석
질문을 만들어 냄 질문에 답변을 함
데이터로 정보 제공 데이터와 정보로 통찰력 제공
리포트와 대시보드, 알림 발견과 추천
배경 지식 없이 스토리 텔링
https://www.slideshare.net/CarlAnderson4/creating-a-datadriven-organization-crunchconf-october-2015
https://theblog.adobe.com/reporting-vs-analysis-whats-the-difference
63/74

멜론의 NEXT
단계별 분석 기술 비교
가트너 자료
정보
최적화
가치
난이도
교
훈
통
찰
력
선
견
지
명
과거에 무슨
일이 일어났나?
현황 분석
과거에 왜 그런
일이 일어났나?
원인 분석
무슨 일이
일어 것인가?
예측 분석
어떻게 원하는 결과가
일어나게 할 것인가?
예측 최적화 분석
64/74

지금 할 수 있는 것을 실행 해라.
65/74

멜론의 셀프 서비스 사례
66/74

검색 키워드 랭킹 로직 개선
검색 담당자
서비스
개선? 1. 검색 키워드 랭킹의 기초 데이터 분석
검색어, 소비된 컨텐츠, 사용자 유형
2. 개발자와 분석가가 로직에 대해서 논의 및 로직 구현
3. 리대시를 통한 로직의 시간 가중치 등의 변수 수정
4. 실제 검색 랭킹 로직 개발 및 상용 배포, 모니터링
공유
분석
검색 개발자
랭킹
로직 구현?
데이터 분석가
알고리즘
67/74

아티스트 팬덤에 의한 신규 및 차트 순위 예측
비즈니스 전문가
BTS
컴백?
1. 아티스트 팬덤 분석의 데이터 확인
고객 프로파일 테이블에서 BTS 팬덤 Seg. 확인
2. 해당 Seg.의 과거 BTS 컴백 시점의 상품 구매 이력 확인
3. 컴백 요일, 좋아요수, 곡수, 앨범 유형, 유입 경로 등의
서비스 데이터에 대한 EDA 수행
보고
분석
68/74

해지 예측 최적화 분석
마케팅 담당자
예상된
해지자?
데이터 과학자
해지예측
알고리즘?
1. 저장된 날짜의 해지 대상자의 유형 분석
고려되는 독립변수로는 상품 종류, 결제 수단, 팬덤 유무, 자결
차수, 사용이력 등
2. 예측 모델 생성 및 검증(w/현업 담당자)
3. 모델 튜닝으로 정확도 높임
멜론 서비스의 컨텍스트가 반영된 변수 적용 팬덤 유무,
아티스트 컴백, 팬덤 규모 등
4. 실제 해지 방어 마케팅 활용 및 결과 검증
공유
분석
69/74

한번에 끝나는 것은 없다.
분석, 관찰, 개선을 반복 해라.
Closed Loop Marketing
70/74

TDWI 셀프 서비스 분석 성숙도 모델 평가 질문
조직
리더십 및 전략, 적용 범위, 효과, 문화에 대한 평가
1. 우리는 셀프 서비스 분석 이니셔티브를 위해 회사 전체에서 비즈니스 및 IT 공동 작업을 수행합니다.
2. 우리 조직은 데이터 중심 결정을 내립니다. 리더십은 숫자와 KPI를 강조합니다.
3. 우리 조직은 셀프 서비스 분석을 사용하여 의사 결정에 협조하고 조치를 취합니다.
4. 우리는 분석을 위한 적절한 재정 지원 프로세스를 갖추고 있습니다. 비즈니스와 IT가 주도합니다.
5. 우리는 셀프 서비스 분석으로 나아갈 수 있도록 CoE (Center of Excellence) 또는 기타 조직 구조를 구축했습니다.
6. 비 기술적인 사용자는 물론 비즈니스, 통계 분석가가 우리 회사의 셀프 서비스 분석 도구를 사용합니다.
7. 현재 귀하의 조직에서 셀프 서비스 분석을 이용하는 비즈니스 사용자의 비율은 몇 퍼센트입니까?
8. 셀프 서비스 분석을 통해 통찰력을 갖는데 시간을 절약했습니다.
9. 우리는 필요한 모든 사람이 데이터 및 셀프 서비스 도구에 액세스 할 수 있어야 한다고 생각합니다.
10. 회사에서 분석은 사실로 여깁니다.
72/74

인프라
기술 팀 및 기술, 아키텍처, 성능에 대한 평가
1. 우리는 분석의 노력을 위한 인프라 기술을 구현할 수 있는 적절한 기술을 보유하고 있습니다.
2. 분석가들은 데이터 웨어하우스 및 데이터 관리 팀과 긴밀히 협력하여 직원들이 필요로 하는
분석 인프라를 분석 프로젝트 업무에 제공합니다.
3. 셀프 서비스 분석을 위해 현재 어떤 인프라 기술을 활용하고 있습니까?
4. 우리는 셀프 서비스 분석을 위한 전사적 데이터 아키텍처를 갖추고 있습니다.
5. 우리는 셀프 서비스를 위해 서로 다른 데이터 소스의 데이터를 통합하기 위해 아키텍처를 설계했습니다.
6. 우리는 대량의 이질적인 데이터를 처리 할 수 있도록 인프라를 확장 할 수 있도록 설계했습니다.
7. 우리는 셀프 서비스 분석을 위해 메모리 내 연산과 같은 성능을 위한 새로운 기술을 활용하기 위해
인프라를 설계했습니다.
8. 필요에 따라 적시에 확장 및 축소 할 수 있으며 셀프 서비스의 성능 목표를 충족시킬 수 있습니다.
73/74

데이터 관리
데이터 접근 및 데이터 준비, 데이터 품질에 대한 평가
1. 분석 노력의 일환으로 현재 어떤 종류의 데이터를 수집하고 관리합니까?
2. 직원들은 잘 정의된 거버넌스 프로세스를 통해 필요에 따라 데이터에 액세스 할 수 있습니다.
3. 회사의 직원들은 필요할 때 쉽게 필요한 데이터를 찾을 수 있습니다.
4. 우리는 종종 단일 셀프 서비스 분석에서 여러 데이터 소스를 사용합니다.
5. 모든 기술 수준의 직원은 데이터 조합 도구를 사용하여 필요한 데이터에 액세스하고 이를 통합 할 수 있습니다.
6. 일반적으로 직원은 셀프 서비스 분석을 위해 데이터를 성공적으로 변환합니다.
7. 우리는 데이터에 관해서 한 가지 버전의 사실을 가지고 있습니다.
8. 우리는 다루고 있는 데이터의 종류(예: 민감한, 기타)에 따라 달라지는 데이터 품질을 처리하기 위한
프로세스를 갖추고 있고, IT 부서가 이를 관리합니다.
74/74

분석
분석 범위 및 분석 범위, 교육에 대한 평가
1. 우리의 셀프 서비스 솔루션은 적합한 사람(예: 비즈니스 분석가, 사용자, 데이터 과학자, 데이터 엔지니어 등)에게
최상의 UI를 제공하기 위해 개별적으로 운영됩니다.
2. 전반적으로 사용자가 셀프 서비스를 사용하여 데이터를 탐색하고 상호 작용하고 다른 사람과 공유하고 자신의
질문에 대답 할 수 있는 결과물을 만드는 데 얼마나 성공적입니까?
3. 비즈니스 사용자가 데이터를 다루는 데 얼마나 성공적입니까?
4. 우리의 셀프 서비스 비즈니스 통찰력은 실용적입니다.
5. 우리는 시각화, 예측 및 기타 기능을 포함한 셀프 서비스 분석을 수행하기 위해 다양한 도구를 사용합니다.
6. 귀사에서 분석을 어떻게 전달합니까?
7. 귀사의 비즈니스 분석가, 데이터 분석가, 데이터 과학자 및 비즈니스 사용자 중 몇 퍼센트가 IT 부서의 개입 없이
셀프 서비스 방식으로 데이터를 분석 할 수 있는 도구와 노하우를 보유하고 있습니까?
8. 휴대 전화 및 태블릿과 같은 휴대 기기를 사용하여 분석을 제공하는 것이 얼마나 널리 보급되어 있습니까?
9. 우리는 셀프 서비스 분석을 수행하도록 사용자들에게 성공적인 교육을 합니다.
75/74

거버넌스
정책 및 구조, 준수, 책임, 보안 및 개인 정보에 대한 평가
1. 분석 노력의 일환으로 현재 어떤 종류의 데이터를 수집하고 관리합니까?
2. 직원들은 잘 정의된 거버넌스 프로세스를 통해 필요에 따라 데이터에 액세스 할 수 있습니다.
3. 회사의 직원들은 필요할 때 쉽게 필요한 데이터를 찾을 수 있습니다.
4. 우리는 종종 단일 셀프 서비스 분석에서 여러 데이터 소스를 사용합니다.
5. 모든 기술 수준의 직원은 데이터 조합 도구를 사용하여 필요한 데이터에 액세스하고 이를 통합 할 수 있습니다.
6. 일반적으로 직원은 셀프 서비스 분석을 위해 데이터를 성공적으로 변환합니다.
7. 우리는 데이터에 관해서 한 가지 버전의 사실을 가지고 있습니다.
8. 우리는 다루고 있는 데이터의 종류(예: 민감한, 기타)에 따라 달라지는 데이터 품질을 처리하기 위한
프로세스를 갖추고 있고, IT 부서가 이를 관리합니다.
76/74

2018 제4회 도시빅데이터 세미나: 멜론의 셀프 서비스 분석 환경과 Next

More Related Content

Similar to 2018 제4회 도시빅데이터 세미나: 멜론의 셀프 서비스 분석 환경과 Next (20)

2018 제4회 도시빅데이터 세미나: 멜론의 셀프 서비스 분석 환경과 Next